开放科学(资源服务)标识码(OSID)：
Firstly, grounded in resource orchestration theory, a conceptual model for new quality productive forces of SSDI enterprises' emergence empowered by data elements is constructed from three stages: the construction of resource combinations, the bundling of these resources to form capabilities, and the utilization of these capabilities to create value. Secondly, the emergence mechanism of new quality productive forces of SSDI enterprises empowered by data element is analyzed from three dimensions: driving innovative allocation of production factors effectively, promoting technological revolutionary breakthroughs synergistically, and achieving deep industrial transformation and upgrading continuously. Subsequently, the study focuses on single champion firms within the manufacturing industry—listed companies that are leaders in SSDI enterprises. It further analyzes the configuration effects of data elements, redundant resources, and dynamic capabilities on the new quality productive forces of these SSDI enterprises. To validate the analysis, the study employs typical cases for confirmatory examination.
Research results indicate that the combination and interaction behavior of data element and traditional production factors can construct resource pool for SSDI enterprises, bundling above elements to form a dynamic capability set in the form of perception capability and integration capability, effectively mobilizing resource endowments to form innovation consortium and creating value by driving quality optimization through technological innovation. From the perspective of resource orchestration, these three stages correspond to the three driving factors of new quality productive forces: innovative allocation of production factors, technological revolutionary breakthroughs, and deep industrial transformation and upgrading. Four types of adaptation configurations that can stimulate new quality productive forces of SSDI enterprises are summarized: "collaborative-breakthrough" refers to new quality productive forces emergence stimulated by cross-border innovation driven by integration capability; "perception-reconstruction" refers to new quality productive forces emergence stimulated by iterative innovation driven by perception capability; "tapping potential-traction" refers to new quality productive forces emergence stimulated by exploratory innovation driven by redundant resources tapping; "internal driving-exploiting" refers to new quality productive forces emergence stimulated by disruptive innovation driven by comprehensive resource bundling.
Research outcomes discuss the theoretical model and mechanism of SSDI enterprises' new quality productive forces emergence empowered by data element and achieve an organic fit between SSDI enterprises' new quality productive forces emergence mechanism and four practical paths revealed by adaptation configuration, so as to offer useful explorations for theoretical system improvement of new quality productive forces. By leveraging the empowerment of data elements, SSDI enterprises can achieve technological revolutionary breakthroughs and promote deep industrial transformation and upgrading. This is accomplished through the accumulation of micro-foundational capabilities and the reconstruction of industrial ecosystems. From a policy design perspective, the study suggests fully activating the "strong chain" and "supplementary chain" functions of SSDI enterprises. This activation is intended to achieve a dynamic optimization of the overall national industrial system, offering practical guidance for stimulating the continuous emergence of new quality productive forces.
开放科学(资源服务)标识码(OSID)：
新质生产力的提出为建设现代化产业体系、实现中国式现代化提供了方向指引。以企业为核心的新质生产力创新主体,通过形成企业主导型产业技术创新体系,为新质生产力发展注入强大的体系动能[1]。在新质生产力形成和发展过程中,为解决关键核心技术的“卡脖子”问题,必须大力促进专精特新企业发展[2]。专精特新企业擅长通过“小步快跑”的科技创新方式,协同促进新质生产力培育,同时,专精特新企业主要分布于核心基础零部件(元器件)、先进基础工艺、关键基础材料和产业技术基础的“工业四基”领域,凭借战略聚焦能力实现产业链“补链”“强链”效应[3],为持续优化新质生产力奠定微观基础。由此,专精特新企业新质生产力涌现机制研究成为当下亟需探讨的命题。
数据要素具备对其它生产要素的极高依附性和聚合性[4],能推动传统生产要素使用效率提升和新型生产要素涌现,以价值倍增的网络效应提升全要素生产率[5],而全要素生产率提升正是新质生产力涌现的核心标志。由此可见,数据要素能够有效整合科技创新资源并赋能新质生产力培育,是促进专精特新企业新质生产力涌现机制的重要条件,因此本文将其纳入研究范畴。
专精特新企业是利基市场实现技术革命性突破的重要载体、生产要素创新性配置的典型群体和产业深度转型升级的关键驱动力量,而数据要素赋能为技术革命性突破提供具象指引,为生产要素创新性配置拓展发展路径,为产业深度转型升级奠定坚实微观基础。据此,本文拟综合使用理论推演、组态分析和验证性案例分析方法,探讨数据要素赋能专精特新企业新质生产力涌现机制,从理论上为完善新质生产力体系提供支撑,在实践上为专精特新企业新质生产力培育提供指导。
当前新质生产力研究成果不断涌现,为明晰研究思路,本文选取与研究目的相关的核心文献进行梳理,共包括3个方面。
(1)新质生产力内涵特征与战略意义。新质生产力以科技创新为主导,是新时代创新驱动发展的行动指南[6]。其内涵突出体现为由颠覆性创新驱动的技术特征、多要素渗透融合的结构特征[7]。新质生产力能促进制造业生产模式迭代升级,是建设现代化产业体系的核心内容[8]。
(2)数字经济背景下新质生产力的实现路径。作为数字技术广泛应用[9]的载体,数据要素能在新质生产力培育过程中发挥关键作用。通过释放数据要素乘数效应、应用数字技术重塑场景[10]等,促进新质生产力发展。
(3)新质生产力评价方式及实证分析。省域尺度上,徐波等(2024)从新质劳动者、劳动对象及劳动资料维度构建评价指标;企业尺度上,宋佳等(2024)发现,ESG发展有利于企业新质生产力水平提升;赵国庆等(2024)发现,数字化转型能协同促进企业新质生产力水平提升。
当前关于新质生产力的研究还存在以下不足:一是数据要素对新质生产力影响机制的研究尚处于理论推演阶段,量化分析和案例研究成果较少;二是研究成果多集中于宏观政策设计、产业体系分析等方面,以企业这一微观主体为样本的研究较少,基于企业案例分析的成果则鲜见;三是数据要素需整合传统生产要素才能促进企业新质生产力涌现,但结合管理学理论对此机制进行诠释的成果较少。同时,场景复杂化会导致数据要素赋能企业新质生产力涌现出现多样化途径,组态分析方法对此有较好的解释力,但目前鲜有相关研究。
作为新型生产要素,数据要素对新质生产力涌现的赋能效应毋庸置疑,然而2021年IDC和希捷科技的联合调查结果显示,当前仅有32%的企业数据价值被激活[11]。数据要素的可再生性和重复利用性颠覆了传统的资源基础观[12],只有企业将自身异质性资源与数据要素进行科学链接、捆绑和重构,才能形成数字技术应用能力,进而打通价值创造链条。恰如Viktor Mayer-Schōnberge等[13]所言,“大部分的数据价值在于它的使用,而不是占有本身”。
资源编排理论认为,企业为客户创造价值、为所有者创造财富的过程可分为构建资源组合、捆绑资源能力形成、利用能力创造价值3个阶段。其中,构建资源组合涵盖获取、积累和剥离资源3个步骤;捆绑资源能力形成聚焦稳定、丰富和开拓3种活动;利用能力创造价值包括动员、协调和部署3个过程。其对数字经济背景下的企业价值创造和竞争优势构建具有较强解释力。Amit 等[14]认为,数据要素赋能情境下的资源编排活动可以分解为测试、归类、众包、挖掘、嫁接和精简等环节。结合上述理论,本文构建数据要素赋能专精特新企业新质生产力涌现的概念模型,具体如图1所示。
图1 数据要素赋能专精特新企业新质生产力涌现的概念模型
Fig.1 Conceptual model of data element empowering emergence of SSDI enterprises' new quality productive forces
(1)数据要素因具有零边际成本优势而有助于企业海量获取,进而根据企业经营范式进行归类整理和有序积累,对无效数据进行合理剥离。此外,作为新型生产要素,数据要素能协助传统生产要素获取,助力企业转向数据驱动决策模式[15],促进传统生产要素的跨量级积累,并根据边际收益递减程度优化企业无效资源剥离进程。上述数据要素与传统生产要素的组合及交互有助于构建专精特新企业资源池,并对应于资源编排理论的第一阶段“构建资源组合”。
(2)随着数据要素逐步嵌入企业经营体系,其使用价值逐步固化,伴随企业成长数据要素的应用价值获得深入挖掘,并在开拓型场景中实现价值增值。相类似的,相对固化的传统生产要素价值在测试环节中交叉融合,通过众包方式实现资源跨界应用。其中,数据要素与传统生产要素的前两个流程(“稳定”和“丰富”)因涉及专精特新企业深度感知行业技术变迁和市场需求,能有效催生其感知能力形成;后两个流程(“丰富”和“开拓”)因涉及专精特新企业克服技术研发和工艺改进难题所需资源,能有效催生其整合能力形成。由此,将感知能力和整合能力界定为专精特新企业捆绑资源所形成的动态能力集合,对应资源编排理论的第二阶段“捆绑资源能力形成”。
(3)专精特新企业利用感知能力和整合能力,促进创新联合体形成,以科技创新驱动价值创造。该过程能够持续的前提在于专精特新企业不仅需要赢得较强的客户支付意愿,而且在遵循“价值主张→价值创造→价值捕获”逻辑主线[16]的基础上深度分析客户群体,促进技术创新和市场拓展,在增加消费者收益的同时实现价值捕获,以维持自身竞争优势。同时,新质生产力涌现意味着专精特新企业为产业链“补短板”“锻长板”,因此专精特新企业还需要契合链主企业、产业联盟开展集成创新[17],科学部署产业链价值共创体系。据此,本文将专精特新企业利用动态能力创造的价值集合概括为客户价值创造、企业价值捕获和产业链价值共创,并界定为专精特新企业新质生产力的表现,对应资源编排理论的第三阶段“利用能力创造价值”。
数据要素的虚拟替代性、易复制性、互补性等技术特征与企业运营流程相结合[18],能有效赋能专精特新企业整合资源,推动数据要素资源化和传统生产要素数字化;通过数据资产化和传统生产要素能力化,促进感知能力和整合能力形成;依托动态能力协助企业深度分析客户群体,驱动技术创新、生产变革和市场拓展,在增加消费者收益的同时实现价值捕获[19]。换而言之,专精特新企业需要依托数据要素与传统生产要素的交互融合,通过整合、捆绑和利用资源实现整合性价值创造[20],促进新质生产力涌现。
新质生产力是由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生的先进生产力,它以劳动者、劳动资料、劳动对象及其优化组合的质变为基本内涵,以全要素生产率提升为核心标志[21]。结合上述定义解读,本文利用资源编排理论,对数字化背景下数据要素赋能专精特新企业新质生产力的涌现机制进行解析,具体见图2。
图2 资源编排视角下数据要素赋能专精特新企业新质生产力涌现机制
Fig.2 Emergence mechanism of data element empowering SSDI enterprises' new quality productive forces from resource orchestration perspective
(1)数据要素在经历“获取-积累-剥离”过程后实现数据资源化,并依托大数据、人工智能等技术赋能传统生产要素数字化。数据要素的高效进化有助于提升传统生产要素使用效率,并以丰富化和数智化两种方式促进数据要素与传统生产要素配置效率提升,由此资源编排理论的第一阶段“构建资源组合”对应新质生产力的驱动要素之一“生产要素创新性配置”。
(2)数据要素在经历“稳定-丰富-开拓”过程后实现数据资产化,并通过评估市场需求和明确科技创新导向赋能传统生产要素,形成变化感知能力与机会识别能力,为技术革命性突破提供方向指引。同时,形成的资源整合和流程重构能力通过累积性研发投入、产品中试、成果应用等方式,实现技术革命性突破,由此资源编排理论的第二阶段“捆绑资源能力形成”对应新质生产力的驱动要素之一“技术革命性突破”。
(3)在经历“动员-协调-部署”过程后,客户价值创造有助于保障企业产品品质和声誉,企业价值捕获有助于保障企业持续研发和生产供给,二者共同促进基于科技创新的产业转型升级;客户、企业与产业链价值共创体系能有效保障整体产业创新绩效最大化,促进基于价值链攀升的产业转型升级,也即专精特新企业能够以动态能力创造的价值集合为微观基础,通过叠加演化方式促进所属产业深度转型升级,由此资源编排理论的第三阶段“利用能力创造价值”对应新质生产力的驱动要素之一“产业深度转型升级”。
综上所述,在资源编排理论的三个阶段中,数据要素既赋能传统生产要素组合,又参与捆绑资源形成动态能力,三个阶段共同催生生产要素创新性配置、技术革命性突破、产业深度转型升级三种行为,从而促进专精特新企业新质生产力涌现。
新质生产力是一个内涵丰富、结构复杂的新概念,赋能其涌现的前因条件相互融通、协同演化,也即“数据要素+传统生产要素形成的资源池”、“捆绑资源所形成的动态能力”之间存在交互关系。事实上现有文献已证实数字化转型背景下“资源基础-动态能力”的新型二元组合匹配关系[22],以及冗余资源与动态能力耦合关系对企业组织韧性的影响[23]。
考虑到专精特新企业新质生产力由科技创新驱动,在生产要素创新性配置、技术革命性突破、产业深度转型升级方面均表现突出,因此新质生产力涌现与组织韧性培育相辅相成。本文认为催生新质生产力涌现的传统生产要素应当能够随时被专精特新企业动态调配和整合使用,以有效应对行业竞争和市场危机[24]。冗余资源反映了组织内部潜在可利用的资源[25],能够支撑专精特新企业应对环境变化和突发事件,因此可作为传统生产要素的代理变量。本文借鉴曹钰华等[26]的研究成果,使用非沉淀性冗余资源和沉淀性冗余资源表征专精特新企业传统生产要素,并提出数据要素赋能专精特新企业新质生产力涌现的适配组态效应研究框架,见图3。其主要包括5个前因条件,即数据要素、非沉淀性冗余资源、沉淀性冗余资源、感知能力和整合能力。对5个前因条件的匹配和协同关系进行解析有助于揭示专精特新企业新质生产力涌现路径。
图3 数据要素赋能专精特新企业新质生产力涌现的适配组态效应研究框架
Fig.3 Research framework of adaptation configuration effect of data element empowering emergence of SSDI enterprises' new quality productive forces
新质生产力涌现涉及诸多前因条件,考虑到企业所处环境动态性、技术研发等因素,可认为专精特新企业新质生产力涌现路径具有多样性,适合采取组态分析方法[27],因此本文使用fsQCA(模糊集定性比较分析法)对专精特新企业新质生产力涌现机制的适配组态进行分析。
组态分析的因变量是专精特新企业新质生产力,为凸显适配组态的代表性,本文选取制造业单项冠军为研究样本。制造业单项冠军长期专注于特定细分产品市场,在带动突破“卡脖子”技术、实现全球价值链攀升方面具有显著作用,是专精特新企业新质生产力涌现的先进典范。
本文收集了工业和信息化部已评选出的1 186家制造业单项冠军企业名录,考虑到QCA分析样本的选取原则,即在保障案例总体同质性的基础上最大化样本个体异质性。本文采取如下筛选标准:第一,保证样本涵盖尽可能多的行业类型,特别是通用设备制造、化学原料和化学制品制造、计算机、通信和其它电子设备制造等孕育制造业单项冠军企业较多的产业领域,同时,兼顾新质生产力涌现的重要产业载体——战略性新兴产业和未来产业。第二,保证涵盖全国尽可能广的地域,特别是浙江、山东、江苏和广东等孕育制造业单项冠军企业较多的省份。第三,保证样本尽可能涵盖工业和信息化部发布的制造业单项冠军企业第一至第七批名单。经过前三个步骤,共遴选出130家制造业单项冠军企业。此外,自2017年“数字经济”出现在政府工作报告中,近几年数据要素配置效率不断提升,故选定2017—2022年为研究时间段。基于企业财务绩效与创新研发等数据的可得性,最终选取41家上市企业为样本。通过巨潮资讯网获取2017—2022年各企业年报资料,利用Python的文本挖掘工具收集和整理各样本企业网络新闻报道、官网新闻资料以作为补充,其它数据从Wind和CSMAR数据库获取。
4.4.1 因变量——专精特新企业新质生产力
借鉴赵国庆等[28]的研究,选择劳动力和生产工具为新质生产力的一级评价指标。其中,劳动力包括活劳动和劳动对象两个二级评价指标,涵盖研发人员薪资、研发人员数量占比、高素质人员占比、高管数字化背景、固定资产占比、制造费用占比等三级评价指标;生产工具包括硬科技和软科技两个二级评价指标,涵盖研发直接投入占比、研发折旧摊销占比、研发租赁费用占比、数字资产占比、无形资产占比、企业创新产出、总资产周转率和权益乘数倒数等三级评价指标。
4.4.2 前因变量
(1)数据要素。本文借鉴钞小静[29]的做法,通过Python 程序抓取年报中“大数据”“海量数据”“算力”“分布式文件”“数据预处理”“数据分析”“数据挖掘”“数据化”“机器学习”“可视化”“流式计算”等关键词,将上述关键词的词频数加1取其自然对数值测量数据要素。
(2)冗余资源。本文借鉴张吉昌等[30]的做法,使用现金及现金等价物除以资产总额与其之间的差值测量非沉淀性冗余资源,使用管理费用在同期销售收入中占比测量沉淀性冗余资源。
(3)动态能力。本文参考Gummesson 等[31]和Warner 等[32]的研究,使用企业年报中关于外部环境感知、机会识别与反应能力相关事件数量测量企业感知能力,使用企业年报中关于资源识别、获得、配置和利用事件数量测量整合能力。
基于本文样本数据特点并参考现有研究[33],采用直接校准法,即基于结果和条件数值的中位数对结果与条件进行校准。具体来说,完全不隶属、交叉点、完全隶属锚点分别为结果和条件描述性统计数值的第10百分位数、中位数、第90百分位数,如表1所示。
表1 描述性统计值与校准锚点
Table 1 Descriptive statistical values and calibration anchor points
变量描述性统计均值标准差最大值最小值校准完全不隶属交叉点完全隶属数据要素2.9671.0455.3610.6901.4282.8733.906非沉淀性冗余资源0.2230.1740.5890.0210.0640.1480.423沉淀性冗余资源0.0580.0390.2670.0130.0260.0510.102感知能力8.7024.51623.0004.0005.0007.14117.356整合能力16.14812.84357.0005.0006.00010.73843.824企业新质生产力8.0491.38219.0234.1654.9758.32616.751
4.5.1 前因条件必要性分析
组态分析的第一个环节为必要性分析,分析结果如表2所示。将前因条件的一致性水平作为判断标准,由于所有前因条件的一致性数值均不高于0.9,表明任何前因因素均不是导致专精特新企业新质生产力涌现的必要条件,各前因条件均需与其它条件协同才能催生专精特新企业新质生产力涌现。
表2 前因条件必要性分析结果
Table 2 Necessity analysis of antecedent conditions
变量高新质生产力一致性覆盖度非高新质生产力一致性覆盖度数据要素0.7420.7560.4620.551～数据要素0.5610.4690.7830.769非沉淀性冗余资源0.6040.6750.5790.752～非沉淀性冗余资源0.7030.5640.6980.641沉淀性冗余资源0.5670.6120.5360.698～沉淀性冗余资源0.7390.6200.7250.687感知能力0.8170.8040.4570.529～感知能力0.5120.4510.7940.813整合能力0.6840.6970.5260.642～整合能力0.6150.5220.7320.715
注:“～”表示逻辑运算的“非”
4.5.2 条件组态充分性分析
设定原始一致性阈值为0.8,PRI一致性阈值为0.75,由于案例样本数为41,属于小样本,因此案例数量阈值设定为1[34],分析结果如表3所示。结果发现,导致高新质生产力涌现的适配组态有4种,4种组态均以数据要素为核心条件,验证了数据要素对专精特新企业新质生产力涌现的关键作用;感知能力和整合能力分别在3种组态中作为核心条件或边缘条件出现,验证了资源编排理论关于“资源捆绑相对资源获取更有可能创造价值”的观点。
表3 导致高/非高新质生产力涌现的适配组态
Table 3 Adaptation configuration of high new quality productive forces/non-high new quality productive forces emergence
前因条件高新质生产力H1H2H3H4非高新质生产力NH1NH2NH3NH4NH5数据要素●●●●●●非沉淀性冗余资源●●●●●●沉淀性冗余资源●●●●●感知能力●●●●整合能力●●●原始覆盖度0.3690.3470.2510.2670.3620.3490.3270.2610.217单一覆盖度0.0870.0740.0620.0690.0890.0830.0790.0450.036一致性0.8950.9010.9130.9200.9120.9060.9020.8940.896总体覆盖度0.6210.634总体一致性0.9140.903
注:●表示核心条件存在;●表示边缘条件存在;⊗表示核心条件缺失;⊗表示边缘条件缺失;空白代表条件可存在也可不存在
导致非高新质生产力涌现的适配组态有5种,其成因概括如下:①NH1缺失数据要素赋能和沉淀性冗余资源获取,导致生产要素无法有效融合,难以形成较强整合能力;②NH2缺失数据要素赋能,使得沉淀性冗余资源无法持续分类积累,导致生产要素稳定性较差,市场需求不够敏感,感知能力和整合能力难以形成;③NH3缺失数据要素赋能,难以精炼和剥离两类冗余资源,导致生产要素丰度较低,感知能力和整合能力难以形成;④NH4虽然有数据要素赋能,但非沉淀性冗余资源难以持续获取,使得专用性沉淀性冗余资源难以拓展至其它场景,导致感知能力和整合能力难以形成;⑤NH5沉淀性冗余资源存量较低,使得数据要素难以促进企业冗余资源集聚,导致感知能力和整合能力难以形成。因篇幅所限,此处仅列举组态NH2进行案例分析。该企业是一家化学制品制造企业,虽然已完成初步的数字化转型,但在生产运营和商业模式等方面尚未实现数据驱动决策,使得公司感知能力较弱,对行业需求和技术跨界应用缺乏足够认知;同时,缺乏动态协调主营业务与新业务的能力,生产要素整合能力较弱,导致公司较成熟的精细化工技术未能持续有效地应用于医药、日化、电子材料、食品添加剂、水处理等可能场景中,从而限制其市场价值持续提升。
为揭示专精特新企业新质生产力涌现路径,对导致高新质生产力涌现的4种组态进行分析,并结合资源编排理论和组态结果重构组态模型。需要指出的是,为保证重构组态模型简洁和重点突出,除H3因仅包括非沉淀性冗余资源一个边缘条件外,以下组态模型仅涉及核心条件:
(1)“协同-突破型”(H1):整合能力驱动下的跨界创新催生新质生产力涌现。组态H1表明数据要素赋能非沉淀性冗余资源这一核心条件能够形成以整合能力为核心条件、感知能力为边缘条件的动态能力体系,企业致力于收集数据要素(获取),并据此集聚非沉淀性冗余资源(积累),通过数据要素与非沉淀性冗余资源的交叉融合构建整合能力(丰富),进而依托整合能力,将非沉淀性冗余资源嫁接应用至其它产业领域(动员),形成基于新盈利增长点的生产要素创新性协同配置模式,以自身优势——研发资源禀赋在新产业领域内形成降维打击式技术革命性突破,依托跨界创新方式推动产业深度转型升级,进而催生新质生产力涌现,对应的组态模型如图4所示。
图4 “协同-突破型”组态对应的专精特新企业新质生产力涌现模型
Fig.4 SSDI enterprises' emergence model of new quality productive forces corresponding to "collaborative-breakthrough" configuration
(2)“感知-重构型”(H2):感知能力驱动下的迭代创新催生新质生产力涌现。组态H2表明,数据要素赋能沉淀性冗余资源这一核心条件能够形成以感知能力为核心条件的动态能力体系。企业积极分类整理数据要素(积累),并据此甄选适合的沉淀性冗余资源(剥离),通过数据要素功能化和沉淀性冗余资源功效化构建感知能力(稳定),进而依托感知能力,为企业技术研发提供方向指引,确保企业稳妥配置生产要素(协调),精耕自身沉淀性冗余资源拓展至所适用的产业领域,以“小步快进”方式实现技术研发创新水平从“量”变到“质”变的演进,依靠迭代创新推动主营产业深度转型升级,进而催生新质生产力涌现,对应的组态模型如图5所示。
图5 “感知-重构型”组态对应的专精特新企业新质生产力涌现模型
Fig.5 SSDI enterprises' emergence model of new quality productive forces corresponding to "perception-reconstruction" configuration
(3)“挖潜-牵引型”(H3):冗余资源挖潜下的探索式创新催生新质生产力涌现。组态H3表明,数据要素赋能非沉淀性冗余资源这一边缘条件能够形成以感知能力为核心条件、整合能力为边缘条件的动态能力体系。企业积极分类整理数据要素(积累),在此基础上促进非沉淀性冗余资源吸纳(获取),通过数据要素价值增值和非沉淀性冗余资源功效挖掘构建感知能力(开拓),确定产业发展方向和市场需求特征,基于非沉淀性冗余资源的“桥接”作用,对自身生产要素实现潜力挖掘导向的创新性配置(部署),在所处产业未来技术创新轨迹上作出积极尝试,通过探索式创新牵引产业深度转型升级,进而催生新质生产力涌现,对应的组态模型如图6所示。
图6 “挖潜-牵引型”组态对应的专精特新企业新质生产力涌现模型
Fig.6 SSDI enterprises' emergence model of new quality productive forces corresponding to "tapping potential-traction" configuration
(4)“内驱-开拓型”(H4):全面资源捆绑下的颠覆式创新催生新质生产力涌现。组态H4表明,数据要素赋能沉淀性冗余资源这一核心条件以及非沉淀性冗余资源这一边缘条件能够形成以整合能力为核心条件的动态能力体系。此时,企业积极分类整理数据要素(积累),并据此甄选适合的沉淀性冗余资源(剥离),根据数据要素分析获得的产业发展图谱,通过产品设计拓展沉淀性冗余资源用途,构建整合能力(开拓),并基于颠覆式创新对企业内部冗余资源进行创新性配置(部署),驱动产业技术获得革命性突破,助力企业在产业深度转型升级中“开拓疆域”,进而催生新质生产力涌现,对应的组态模型如图7所示。
图7 “内驱-开拓型”组态对应的专精特新企业新质生产力涌现模型
Fig.7 SSDI enterprises' emergence model of new quality productive forces corresponding to "internal driving-exploiting" configuration
4.5.3 稳健性分析
借鉴已有研究成果[35],将PRI一致性阈值由0.75提高到0.8。检验结果显示,整体组态分布、核心条件和缺失条件组合没有变化,仅有各组态的一致性水平、原始覆盖度、单一覆盖度以及总体一致性水平和覆盖度数值发生微小变化,表明分析结果具有较高稳健性。
选取组态分析样本中的4家上市公司为案例分析对象,对数据要素赋能专精特新企业新质生产力涌现机制进行验证性分析。
(1)“协同-突破型”(H1):国瓷材料从事高端陶瓷材料及制品的研发、生产和销售,拥有电子材料、催化材料、生物医疗材料、新能源材料、精密陶瓷和其它材料六大业务板块。代表性跨界创新行为是在生物医疗材料方面的创新,拥有纳米级复合氧化锆粉体、氧化锆瓷块、玻璃陶瓷、树脂基陶瓷等产品,验证性分析结果如表4所示。
表4 “协同-突破型”组态典型案例
Table 4 Typical cases of "collaborative-breakthrough" configuration
涌现过程表现形式证据援引生产要素创新性配置数据要素(获取)、非沉淀性冗余资源(积累)数据要素(牙科护理观念普及等)提示公司积累材料领域非沉淀性冗余资源的技术储备,用以强化牙科用纳米级复合氧化锆粉体的产品开发技术革命性突破捆绑资源,构建整合能力(丰富)基于智能制造背景,在部分核心产品线嫁接导入AI 视觉检测系统,整合性利用计算机AI 算法和模型分析技术产业深度转型升级以跨界创新方式进入新产业领域(动员)通过公司原有产品管线和技术在牙医临床端的延伸,使得牙科用纳米级复合氧化锆粉体材料市场份额保持稳步增长
(2)“感知-重构型”(H2):宁德时代从事动力电池及储能电池的研发、生产及销售,在电池材料、电池回收等领域拥有核心技术优势。代表性迭代创新行为是高集成动力电池开发技术,可将电芯直接集成到电池包,省去电池模组组装环节,降低动力电池制造成本,有效提高电动车续航里程和经济性,验证性分析内容如表5所示。
表5 “感知-重构型”组态典型案例
Table 5 Typical case of "perception-reconstruction" configuration
涌现过程表现形式证据援引生产要素创新性配置数据要素(积累)、沉淀性冗余资源(剥离)行业技术图景的具象化表现,促使公司对电池产品及“智能化”解决方案执行能力这一沉淀性冗余资源进行甄选技术革命性突破捆绑资源,构建感知能力(稳定)对外部数据(新能源车吸引力增强)的感知,促使公司将数字创新嫁接导入研发体系,围绕绿色极限制造开展技术创新产业深度转型升级以迭代创新的方式深耕主营产业(协调)坚持产品迭代创新导向,设计和测试高能量密度、高可靠性电池产品和解决方案,巩固全产业链布局优势
(3)“挖潜-牵引型”(H3):东土科技致力于工业互联网核心硬件及软件技术的研发、生产与销售。代表性探索创新行为是以边缘计算服务器为载体的软件定义控制,一方面实现数据在网络边缘侧的分析、处理与储存;另一方面将传统硬件控制功能解耦,以软件配置硬件资源,实现硬件资源虚拟化和管理功能可编程,验证性分析内容如表6所示。
表6 “挖潜-牵引型”组态典型案例
Table 6 Typical cases of "tapping potential-traction" configuration
涌现过程表现形式证据援引生产要素创新性配置数据要素(积累)、非沉淀性冗余资源(获取)数据要素(一切均可编程的软件定义)提示公司在Intewell工业互联网操作系统这一非沉淀性冗余资源上持续获取最新技术技术革命性突破捆绑资源,构建感知能力(开拓)对外部数据(软件定义为制造业赋予数字化属性)的感知,促使公司将非实时和实时融合运行理念嫁接导入工业软件产品设计体系产业深度转型升级以探索式创新牵引产业发展(部署)与上下游伙伴联合开展探索式创新,为特种车辆控制、高速公路监控等领域提供基于软件定义的边缘控制解决方案
(4)“内驱-开拓型”(H4):康斯特主营业务为数字检测仪器设备研发、生产与销售,辅助检测服务,为全球用户提供专业的压力、温湿度、过程及电学校准测试解决方案。代表性颠覆式创新行为是智能化高准确度仪器仪表的技术研发,目前高端数字压力及温湿度检测产品正逐渐引领行业发展,验证性分析内容如表7所示。
表7 “内驱-开拓型”组态典型案例
Table 7 Typical cases of "internal drive-exploitation" configuration
涌现过程表现形式证据援引生产要素创新性配置数据要素(积累)、沉淀性冗余资源(剥离)行业技术图景数据获取,提示公司将检测全量数据这一沉淀性冗余资源进行甄选,对其应用范围重新归类技术革命性突破捆绑资源,构建整合能力(开拓)将用户需求细节与底层逻辑整合导入公司产品优化体系,协助用户提升场景基建检测能力与知识图谱建设水平产业深度转型升级以颠覆式创新推动产业发展(部署)联合合作伙伴构建颠覆式创新数字化平台,为用户提供高品质检测仪器仪表产品与检测服务的整体解决方案
基于资源编排理论,构建数据要素赋能专精特新企业新质生产力涌现的概念模型,从有效驱动生产要素创新性配置、协同推进技术革命性突破、持续实现产业深度转型升级3个维度解析数据要素赋能专精特新企业新质生产力涌现机制,并使用fsQCA方法分析数据要素、冗余资源和动态能力在专精特新企业新质生产力涌现中的组态效应,概括出四种能够催生专精特新企业新质生产力涌现的适配组态,即“协同-突破型”、“感知-重构型”、“挖潜-牵引型”和“内驱-开拓型”。
(1)探讨数据要素赋能专精特新企业新质生产力涌现的理论模型和机制,响应多位学者强调从企业层面探讨新质生产力涌现机制的呼吁[1,2,9,17],为新质生产力理论体系完善作出有益探索;将数据价值化、资源编排、专精特新企业与新质生产力相结合,为上述研究领域的交叉融合奠定良好基础。
(2)以数据要素、冗余资源和动态能力作为专精特新企业新质生产力涌现的前因条件,使用fsQCA方法概括出“协同-突破型”、“感知-重构型”、“挖潜-牵引型”和“内驱-开拓型”4种催生专精特新企业新质生产力涌现的适配组态,并借助典型案例的验证性分析,证实数据要素赋能专精特新企业新质生产力涌现的作用机制与适配组态,为企业层面新质生产力涌现机制的理论研究提供新的可行性思路。
(1)根据本文研究结论,专精特新企业新质生产力涌现的首要条件是数据要素赋能,因此专精特新企业在经营实践中需要充分拥抱“数据-算法-算力”这一数字经济发展的核心引擎,科学赋能和优化配置传统生产要素,积极培育感知能力和整合能力,依托跨界创新、迭代创新、探索式创新和颠覆式创新等方式实现技术革命性突破,通过微观基础积累和产业生态重构推动产业深度转型升级。
(2)在政策设计层面,应积极通过数字化创新人才培养、数字基础设施建设、数据要素市场构建、超大规模市场应用场景设计、持续性金融支持和财税优惠等方式,推动专精特新企业新质生产力涌现,同时,激励更多中小企业实现专精特新发展。通过揭榜挂帅、科技创新券发放、重点产业发展目录发布等方式为专精特新企业生产要素配置和技术研发提供方向指引,通过专精特新企业的“强链”“补链”功能,有效衔接和布局传统产业、战略性新兴产业和未来产业发展,实现国家整体产业体系的动态优化,催生新质生产力持续涌现。
本文研究尚存在一定不足:第一,以冗余资源衡量传统生产要素,可能难以概括数据要素赋能专精特新企业新质生产力涌现机制的全貌,未来可借鉴更多学者成果,完善该涌现机制,提高研究结论的普适性。第二,以制造业单项冠军企业为组态分析样本,忽略了其它类型专精特新企业群体,比如专精特新“小巨人”企业,未来可收集更多数量和类型的专精特新企业资料,采用对比分析方法探讨专精特新企业跨量级发展过程中新质生产力涌现机制的异同点,获得更多有价值的理论观点和实践思路。
[1] 尹西明,薛美慧,丁明磊,等. 面向新质生产力发展的企业主导型产业科技创新体系:逻辑与进路[J].北京理工大学学报(社会科学版),2024,26(4):29-37.
[2] 郭菊娥,陈辰. 数字科技何以驱动新质生产力发展——以专精特新企业为实现主体[J].西安交通大学学报(社会科学版),2024,44(4): 20-28.
[3] 钞小静,王清.新质生产力驱动高质量发展的逻辑与路径[J].西安财经大学学报,2024,37(1):12-20.
[4] 张森,温军. 数字经济赋能新质生产力:一个分析框架[J].当代经济管理,2024,46(7): 1-9.
[5] 洪银兴,任保平. 数字经济与实体经济深度融合的内涵和途径[J].中国工业经济,2023,41(2):5-16.
[6] 盛朝迅. 新质生产力的形成条件与培育路径[J].经济纵横,2024,40(2): 31-40.
[7] 杜传忠,疏爽,李泽浩.新质生产力促进经济高质量发展的机制分析与实现路径[J].经济纵横,2023,39(12):20-28.
[8] 黄群慧,盛方富.新质生产力系统:要素特质、结构承载与功能取向[J].改革,2024,37(2):15-24.
[9] 张夏恒,刘彩霞.数据要素推进新质生产力实现的内在机制与路径研究[J].产业经济评论,2024,12(3): 171-184.
[10] 翟云,潘云龙. 数字化转型视角下的新质生产力发展——基于“动力—要素—结构”框架的理论阐释[J]. 电子政务,2024 ,21(4): 2-16.
[11] 胡海波,王怡琴,卢海涛,等. 企业数据赋能实现路径研究——一个资源编排案例[J].科技进步与对策,2022,39(10) : 91-101.
[12] 孙新波,苏钟海,钱雨,等.数据赋能研究现状及未来展望[J].研究与发展管理,2020,32(2): 55-66.
[13] 维克·托迈尔·舍恩伯格,肯尼思·库克耶.大数据时代[M].盛杨燕,周涛,译.杭州:浙江人民出版社,2013:156.
[14] AMIT R,HAN X. Value creation through novel resource configurations in a digitally enabled world[J]. Strategic Entrepreneurship Journal,2017,11(3): 228-242.
[15] 徐翔,厉克奥博,田晓轩. 数据生产要素研究进展[J]. 经济学动态,2021,62(4):142-158.
[16] TEECE D J. Business models, business strategy and innovation[J]. Long Range Planning,2010, 43(2-3): 172-194.
[17] 徐政,张姣玉.新发展格局下大力发展新质生产力:价值旨向与路径方向[J].四川师范大学学报(社会科学版) ,2024,51(4): 72-80,201-202.
[18] 王永贵,汪淋淋. 传统企业数字化转型战略的类型识别与转型模式选择研究[J].管理评论,2021,33(1): 84-93.
[19] MCAFEE A,BRYNO LFSSON E. Big data: the management revolution[J].Harvard Business Review,2012,90(10) :60-68.
[20] SIRMON D G,HITTI M A,IRELAND R D,et al. Resource orchestration to create competitive advantage: breadth,depth,and life cycle effects[J].Journal of Management,2011,37(5): 1390-1412.
[21] 中央财办有关负责同志详解2023年中央经济工作会议精神[N].人民日报,2023-12-18(004).
[22] VON BRIEL F,DAVIDSSON P,RECKER J. Digital technologies as external enablers of new venture creation in the IT hardware sector[J]. Entrepreneurship Theory and Practice,2018,42(1): 47-69.
[23] WU L Y. Applicability of the resource-based and dynamic-capability views under environmental volatility[J]. Journal of Business Research,2010,63(1): 27-31.
[24] LINNENLUECKE M K. Resilience in business and management research:a review of influential publications and a research agenda[J]. International Journal of Management Reviews, 2017,19(1):4-30.
[25] GENTRY R, DIBRELL C, KIM J. Long-term orientation in publicly traded family businesses: evidence of a dominant logic[J]. Entrepreneurship Theory and Practice, 2016,40(4):733-757.
[26] 曹钰华,张延莉,石蓉荣,等. 数字化转型驱动的专精特新“小巨人”组织韧性前因组态研究——基于上市企业年报文本挖掘的fsQCA分析[J].外国经济与管理,2023,45(10): 68-83.
[27] MISANGYI V F, ACHARYA A G. Substitutes or complements?a configurational examination of corporate governance mechanisms[J]. Academy of Management Journal,2014,57(6):1681-1705.
[28] 赵国庆,李俊廷.企业数字化转型是否赋能企业新质生产力发展——基于中国上市企业的微观证据[J].产业经济评论,2024,12(4): 23-34.
[29] 钞小静,王宸威. 数据要素对制造业高质量发展的影响——来自制造业上市公司微观视角的经验证据[J].浙江工商大学学报,2022, 42(4): 109-122.
[30] 张吉昌,龙静,王泽民. 中国民营上市企业的组织韧性驱动机制——基于“资源-能力-关系”框架的组态分析[J].经济与管理研究,2022,43(2):114-129.
[31] GUMMESSON E, MELE C. Marketing as value co-creation through network interaction and resource integration[J]. Journal of Business Market Management,2010,4(4): 181-198.
[32] WARNER K S R,W
GER M. Building dynamic capabilities for digital transformation:an ongoing process of strategic renewal[J].Long Range Planning, 2019,52(3): 326-349.
[33] 杜运周,刘秋辰,陈凯薇. 营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J]. 管理世界,2022,38(9): 127-144.
[34] CAPATINA A,MICU A,MICU A E,et al. Country-based comparison of accommodation brands in social media:an fsQCA approach[J]. Journal of Business Research,2018,89(C):235-242.
[35] FAINSHMIDT S,WITT M A,AGUILERA R V,et al. The contributions of qualitative comparative analysis(QCA)to international business research[J]. Journal of International Business Studies,2020,51(4): 455-466.